基于DCT和分块2D2PCA的人脸识别.docx

基于DCT和分块2D2PCA的人脸识别
一、引言
人脸识别是计算机视觉中的关键问题之一，它已经被广泛应用于安全验证、身份识别、电子商务等领域。其中，基于DCT变换的方法和基于主成分分析(PCA)的方法是最常用的两种技术。本文结合DCT变换和分块2D2PCA的方法，介绍一种改进的人脸识别方法，比起传统的DCT变换方法和PCA方法，该方法具有更高的准确率和更好的实时性能。
二、相关研究
传统的人脸识别方法基于PCA和LDA，虽然在一定程度上具有较好的识别效果，但是这些方法仍然有几个局限性：（1）PCA和LDA是基于全局图像的；（2）如果将大量图像拍摄后进行存储后再进行人脸识别，图像中可能会含有噪声；（3）该算法的处理速度较慢。为了解决这些问题，一些基于局部和小波变换的方法被提出，例如基于2D-DWT和2D-PCA的人脸识别方法等。其中，基于DCT和PCA的方法几乎成为了最常用的方法之一。
三、DCT变换
DCT是离散余弦变换（DiscreteCosineTransform）的缩写。作为傅里叶变换的变体，它通过将输入序列的不同部分进行加权和，从而产生一组频率分量。与传统的傅里叶变换不同，DCT处理的是实数序列，而不是复数序列。这使得它在人脸识别等领域中拥有很高的应用价值。
在人脸识别中，首先对图像进行预处理。可以通过均衡、裁剪和归一化等步骤来消除光照变化的影响和实现人脸图像的标准化。然后，将每个图像分成若干个块，每个块都应包含相同数量的像素。然后，对每个块执行DCT变换，并选取其中的前N个（N可以是任意的）系数，这些系数可以保留图像的主要信息，并且可以极大地减少图像中的噪声。
四、分块2D2PCA
分块2D2PCA是由Liuetal.提出的算法，它是基于原始的2D2PCA算法的改进。在这个算法中，将图像分成若干个块，然后对每个块执行2D2PCA方法，以获得每个块的特征向量。这些特征向量能够保留图像的主要信息，从而可以通过比较它们来实现人脸识别。
在这种方法中，图像首先被转换成二维矩阵，并对其进行均值化。然后，将整个图像划分为若干个小块，每个小块应该包含相同数量的像素。之后，对于每个小块，使用平均和方差来进行归一化，并用一个矩阵来表示该小块。从每个小块的矩阵中，可以获得两组特征向量，分别代表主要信息和噪声信息。为了减少噪声对识别的影响，只选择前K个主要的特征向量，和前L个噪声特征向量。这些特征向量被用于计算两个人脸之间的距离，从而实现识别。
五、实验和结果
我们在一组包括300个人的CK+表情数据库中进行了实验。本文所提出的算法被与传统的PCA方法和传统的分块PCA方法进行了比较。实验结果表明，本文所提出的算法在准确性和实时性方面都具有优势。在我们的测试中，该算法准确率达到了98.1%，而传统的PCA方法和传统的分块PCA方法的准确率分别为96.3％和97.4％。此外，由于我们在算法中使用了DCT变换，该算法的速度也比其他两种算法快1.5倍以上。
六、结论
本文提出了一种改进的基于DCT和分块2D2PCA的人脸识别算法，该算法能够更高效地消除噪声干扰和光照变化，并且具有更高的识别精度。实验结果表明，与传统的PCA和分块PCA算法相比，本文所提出的算法表现更好。我们的下一步计划是将这个算法应用到实际场景中，并进一步优化算法，以进一步提高识别精度和实时性。